近年来,边缘计算的蓬勃发展给机器学习带来了新的挑战和机遇。传统的云端机器学习需要收集用户数据以完成模型训练,但这有泄露数据隐私的风险。而在边缘计算的场景下部署分布式机器学习,即分布式边缘学习,不需要收集用户数据便能完成模型训练。因此,该方案有望成为既能保护用户数据隐私,又能利用数据价值的下一代机器学习解决方案。然而,开发和测试分布式边缘学习面临着众多新的挑战。一方面,当前缺乏对分布式边缘学习通用功能的抽象和封装。研究人员只能依靠原生机器学习库和网络通信库来开发功能模块。这极大地增加了开发难度,不利于在同行之间验证实验。另一方面,边缘计算的测试环境需要拥有大规模、资源异构的节点,以及灵活的网络拓扑。然而,现有的测试平台都是单一架构,有着固有的优缺点。物理测试平台有较高的测试可信度,但往往规模小并且缺乏网络拓扑灵活性。仿真测试平台和模拟测试平台则在测试环境规模、网络拓扑灵活性上有较好的表现,但难以提供高可信度的测试结果。这些测试平台都难以提供理想的边缘计算测试环境。针对这些现状,本文提出Edge TB系统,以对分布式边缘学习的开发和测试提供支持,具体内容如下:（1）我们设计并实现了Edge TB系统,这是首个混合架构的测试平台,它提供了许多模拟节点来生成大规模和网络拓扑灵活的测试环境,同时结合物理节点来保证测试结果的可信度。Edge TB是第一个跨模拟器和物理边缘计算设备而构建的混合边缘计算测试平台,能提供理想的边缘计算测试环境。（2）我们提出面向角色开发的理念,并封装可重用库以支持分布式边缘学习应用的快速开发。这是第一个用于开发多种分布式边缘学习应用的通用库。我们进而开发出Federated Learning、Gossip Learning、E-Tree Learning等多种架构的分布式边缘学习应用。（3）我们提出了一种在大规模测试环境中将虚拟边缘节点映射到物理计算设备的映射算法。即使在测试环境所需资源接近物理环境拥有的资源的极端情况下,该算法也可以有效地找到可行的映射方案。（4）我们进行了广泛的案例研究和实验,以证明研究人员可以使用Edge TB系统开发分布式边缘学习应用并在高可信度、网络拓扑灵活的大规模测试环境对其进行测试。